基于 TypeScript 开发 Harness 自定义工具插件，实现网页标题、描述、摘要抓取。经历三版迭代，解决模型不调用、异常崩溃、返回内容过长等问题，包含 Schema 参数、错误处理、Creator 热加载调试，附带完整可运行代码。

history列表当记忆有三硬伤：重启失忆、token增长快、无法按相关性检索。本文用dict、list和JSON文件 搭建三级记忆架构，支持关键词标签检索，核心约90行代码。

Codex 插件从使用到项目开发实战操作详解

普通单循环 Agent 面对复杂任务容易跳步乱操作。借助有限状态机把任务拆分为规划、执行、审查状态，代码控制状态切换与可用工具，不再完全依赖提示词约束 LLM。分享基于 GLM‑4.7‑Flash 的极简可运行 Agent 源码。

Harness 四种模式工具集差异巨大，选错了轻则效率打折重则白干一场。我用一次批量重构的翻车经历，把 Standard、Code、Minimal、Creator 逐个拆开讲，附选择决策图。

Codex 插件从使用到项目开发实战操作详解

Codex 插件从使用到项目开发实战操作详解

Agent总选错工具、传错参数、报错就卡住？问题大概率不在模型，在你工具写得烂。本篇用三个工具讲清楚描述怎么写、参数怎么约束、错误信息怎么给才能让Agent自己修正，完整代码约90行，基于永久免费的GLM-4.7-Flash。

本文为 DeepSeek Harness 入门实战教程，讲解基于 Cordis 微内核的 Agent 运行时 “一切皆插件” 核心架构。演示一行命令快速部署 WebUI，区分四种会话模式，手把手实现首个自定义插件，同时分享 pnpm、Windows

Day 01 让 LLM 输出 JSON 文本决定调哪个工具，但格式不稳定，容错代码越写越多。本篇改用 Function Calling，JSON Schema 描述工具，LLM 原生返回结构化对象，零解析容错。基于永久免费的 GLM-4.7-Fla

番外实战。从GPT-5.6 Sol的17600次操作4天才被发现说起，教你用Python+GLM-4.7-Flash搭建一套AI Agent操作日志自动审计系统。核心版约120行代码，整合结构化日志记录、AI异常分析、自动生成日报、实时告警四大能力，

专栏收官之作。做一个能多轮对话的 AI 客服 Agent，整合意图分类、FAQ 检索、回复生成、人工转接四大能力。本篇使用 GLM-4.7-Flash，永久免费，8 次调用约 10,000 token，零成本跑完。

整合前 16 篇能力的实战项目。Agent 读取经营数据，AI 分析趋势和异常，自动生成 Markdown 格式日报/周报/月报。本篇使用 GLM-4.7-Flash，永久免费，3 次调用约 12,000 token，零成本跑完。 关键词：报告自动

2026 年 8 月 18 日，OpenAI 干了一件以前从没干过的事——主动暂停了自己最强模型的训练。 不是产品发布推迟，不是融资出了问题，也不是被监管机构施压。是 OpenAI 自己，在没有任何外部压力的情况下，对全世界说： “我们训练的这个

华泰证券研报指出，2026年AI产业正从模型竞赛切入Agent商业化落地期，国产大模型与海外差距缩至3-4个月。但多数开发者仍停留在调API问问题阶段。本篇从Chatbot与Agent的本质差异切入，讲解Agent Loop五步循环，用GLM-4.7

前面两篇搭好了 ReAct Agent，但它有个致命问题——每次对话都是"新生"，上一轮说过的话下一轮就忘。本篇给 Agent 加装双层记忆系统：短时记忆用对话列表维持上下文连贯，长时记忆用 JSON 文件做跨会话持久化。本篇使用 GLM-4.7-F

专栏最后一篇，把前面14章的全部技能串成一个完整产品：对话式智能数据助手。你用自然语言说"帮我看看当当网Python书的价格"，它自动理解意图、决定爬哪个站、怎么写爬虫、怎么存数据、怎么给你分析结果。底层是GLM-4.7-Flash做意图理解和数据解

这是本栏的收官之作。把前面所有技能整合成一个完整产品：一个对话式数据分析助手——你丢给它一个 CSV 文件，然后用自然语言告诉它你想看什么，它自动分析数据、写代码、画图、解读结果。工具链：pandas 处理数据 + matplotlib/pyecha

三个工具太少，六个刚好。本篇Agent拥有计算器、时间、天气、知识搜索、数据库查询、字数统计六个工具，自主决定调用顺序和组合方式。三个实战：查天气、数据库查询加计算、知识搜索加统计加时间。传统做法人写调用链，AI做法自主规划路径。

2026年8月7日，OpenAI做了一个不太常见的决定： 暂停一个花了几千万美元训练的模型，不发了。 这个模型叫Astra，是GPT-4.5以来最大规模的预训练模型。训练它花的时间、算力、数据，都是顶级的。 但内部评估发现了一个问题—— As